Lista de Disciplinas | CMP618

CMP618 – Tópicos Especiais em Computação DCXVIII:  Aprendizado Profundo

Responsável: Anderson Rocha Tavares
Número de créditos/carga horária: 4 créditos/60 horas aula
Matricula de Graduandos: aluno especial

RESUMO
Neurônio artificial e sua organização em diversas arquiteturas de redes profundas.

Objetivos
Apresentar conceitos, técnicas e aplicações de aprendizado profundo, assim como
as principais ferramentas para prototipagem e avaliação de modelos.

Programa
● Neurônio artificial: principio, funções de ativação, treino por descida de
gradiente.
● Perceptron multicamadas e backpropagation
● Processamento de imagens: redes convolucionais
● Processamento de grafos: graph neural networks
● Processamento de texto: transformers
● IA generativa
● Fronteiras e limitações de aprendizado profundo
● Aprendizado profundo e a humanidade

Procedimentos didáticos
– Aulas expositivas e de exercícios;
– Aulas de laboratório;
– Projeto extra-classe;
– Seminários

Procedimento de avaliação
O desempenho do aluno será avaliado da seguinte forma:
● Prova: avaliação teórica dos fundamentos e conceitos da disciplina
● Exercicios de laboratório: implementação de algoritmos básicos e avaliação
de modelos
● Projeto final: aplicação e/ou melhoria de sistema de aprendizado profundo
para um benchmark ou problema relevante;
● Seminários: apresentação de temas relevantes e participação nos seminários
dos colegas.

Composição da nota final (NF):

NF = (Prova*0,3) + (Labs*0,2) + (Projeto*0,3) + (Seminários*0,2)

Será aprovado o aluno que obtiver nota final (NF) acima de 6. Os conceitos serão atribuídos da seguinte forma:
Conceito A: NF >= 9,0
Conceito B: NF >=7,5 e < 9,0
Conceito C: NF >= 6,0 e < 7,5
Conceito D: NF < 6,0
Conceito FF: caso o aluno não obtenha frequência mínima de 75% (sem direito a recuperação).
O aluno pode fazer uma prova de recuperação (Rec) que substitui a nota da Prova,
Laboratórios e Seminários, sendo sua nova final com recuperação (NFR) calculada como:
NFR = (Rec*0,7) + (Projeto*0,3).
Caso obtenha NFR superior a 6, o aluno será aprovado com conceito final C; caso contrário, será reprovado com conceito final D.
BIBLIOGRAFIA BÁSICA
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning. MIT press, 2016.
Michael A. Nielsen, Neural Networks and Deep Learning, Determination Press,
2015 (http://neuralnetworksanddeeplearning.com )
RUSSELL, Stuart J.; NORVIG, Peter. Artificial Intelligence: A Modern Approach (4^th Edition), 2020
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139-144
Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Philip, S. Y. (2020). A comprehensive survey on graph neural networks. IEEE transactions on neural networks and learning systems, 32(1), 4-24.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
Artigos de conferências e periódicos relevantes